机器学习和多源数据融合是土壤水分反演研究的热点方向,但对L波段合成孔径雷达（synthetic aperture radar,SAR）数据的研究较少。以额济纳绿洲为研究区,利用ALOS-2 PALSAR-2和Landsat 8影像提取雷达和光学特征参数,通过参数重要性评分进行特征筛选,采用随机森林方法建立基于雷达、光学以及雷达-光学特征参数协同的土壤水分反演模型,对比模型精度,反演绿洲土壤水分。结果表明,与C波段相比,L波段SAR数据对干旱荒漠绿洲区土壤水分含量敏感性更高;雷达特征参数中重要性较高的为表面散射和体散射分量,二面角散射和螺旋体散射分量相对偏低;光学特征参数中植被供水指数重要性最高,增强型植被指数重要性最低。
雷达特征参数方案最优模型决定系数R²、均方根误差（root mean square error, RMSE）分别为0.67、2.16%,光学特征参数方案模型精度普遍较低且精度相当,R²、RMSE分别为0.5、2.47%;雷达-光学参数协同反演的最优模型R²、RMSE分别为0.72、1.99%,相比单一数据源,R²分别提升7.46%、38.4%,RMSE分别降低8.54%、22.6%。研究证明,基于多源数据融合的随机森林模型在干旱荒漠绿洲区具有较高的预测精度和良好的适用性。